Documentos de Académico
Documentos de Profesional
Documentos de Cultura
¿QUE ES SIMULACION?
Simular es imitar la operación de un proceso o sistema real. Implica la generación de una historia
“artificial” del sistema y mediante observación de esa historia se realizan inferencias de las
características y desempeños del sistema en estudio. Con base en esta definición y en lo explicado en
párrafos anteriores, se puede afirmar que la simulación debe utilizarse con los siguientes propósitos:
Sin embargo, deben tenerse presentes aquellas circunstancias en las cuales no sería conveniente la
aplicación de la simulación como metodología de estudio de los sistemas, a saber:
Industria manufacturera.
Construcción y administración de proyectos.
Industria militar.
Logística, cadena de abastecimiento y distribución.
Transporte.
Procesos de negocio
Servicios de salud
Redes de telecomunicaciones
Análisis de call centers
Terminología básica:
Cabe aclarar que, según esta tipificación, el enfoque de este modulo esta encaminado hacia el diseño y
la construcción de módulos estocásticos, dinámicos y discretos, características fundamentales del
paradigma de la simulación de eventos discretos.
Como se menciono inicialmente, el modelaje incluido el de simulación, es una actividad complicada que
combina arte y ciencia. Sin embargo, desde una óptica mas general, el proceso para llevar a acabo un
estudio de simulación se puede resumir en los siguientes pasos:
1. Formulación del problema. Este primer paso consiste esencialmente en el análisis del sistema y
definición del problema a resolver.
2. Fijación de los objetivos. En esta fase, se define el alcance del estudio y las fronteras del
problema que va a ser abordado. Es decir, debe determinarse cuales instancias del problema se
van a estudiar y solucionar.
3. Conceptualización del modelo. En esta etapa se incluyen actividades tales como la identificación
de los parámetros de entrada, las medidas de desempeño de interés, establecimiento de las
relaciones entre los parámetros y variables. La información aquí se puede representar en
diagramas de flujo o arboles jerárquicos.
4. Recolección de información. Es una de las fases mas importantes y criticas del estudio, ya que
producto de esta etapa esta la estimación d ellos parámetros de entrada del modelo, y
dependiendo de la calidad de la información recogida, está el éxito de los resultados del
modelo. En esta fase el analista hace presunciones sobre las distribuciones de probabilidad de
los datos recolectados y luego, a través de pruebas de hipótesis, corrobora o rechaza los
supuestos planteados.
5. Construcción del modelo. Una vez el problema ha sido analizado y la información procesada, se
procede a construir el modelo e implementarlo en un programa computacional. Este programa
puede ser un lenguaje de programación general (C++, Visual Basic, Java, entre otros) o un
software especializado de simulación (Arena, Promodel, ExtendSim, entre otros).
6. Verificación del modelo. El propósito de esta fase consiste en asegurarse que el modelo esta
diseñado y construido correctamente, Esta verificación es una labor delicada de inspección y
radica en la comparación del código de modelo con la especificación de este.
7. Validación del modelo. La validación examina el grado de ajuste del modelo con los datos
empíricos del sistema. Es decir, compara el desempeño del modelo con la información real
arrojada por el sistema en estudio.
8. Diseño de experimentos. Una vez validado y calibrado el modelo, el analista procede con la
planeación y el diseño de las experimentaciones que se llevaran a cabo sobre el modelo de
simulación. En esta etapa se definen los distintos escenarios en los cuales se va a analizar el
desempeño del modelo, así como el numero de replicas o corridas que se ejecutaran con el
propósito de garantizar la confiabilidad del estudio.
9. Corridas y análisis de resultados. En esta fase se ejecutan las corridas oficiales del modelo, cuyos
resultados serán el objeto de análisis, de naturaleza estadística principalmente. Una actividad
típica de esta fase consiste en la determinación de la mejor alternativa mediante la comparación
de los desempeños de todas las alternativas estudiadas.
SIMULACION DE MONTECARLO:
La simulación de Montecarlo es una técnica cuantitativa que hace uso de muestreos estadísticos para
imitar, mediante modelos matemáticos, el comportamiento aleatorio de sistemas reales no dinámicos.
Generalmente en estadísticas, los modelos aleatorios se usan para simular fenómenos que poseen algún
componente aleatorio. Pero en la Simulación de Montecarlo el objeto de la investigación es el objeto en
si mismo, es decir, un suceso aleatorio o pseudo-aleatorio se usa para estudiar el modelo-
La clave de la Simulación de Montecarlo consiste en crear modelo matemático del sistema, proceso o
actividad que se quiere analizar, identificando:
Variables de entrada (Inputs del modelo): son aquellas cuyo comportamiento aleatorio
determina el comportamiento global del sistema. Se utilizan por medio de la Generación de
números y variables aleatorias.
Variables de resultados (Outputs del modelo): son aquellas que dependen de las variables
aleatorias y que sirven para medir el desempeño del sistema que se esta modelando. Se debe
tener en cuenta que, estas variables dependen del comportamiento aleatorio de las variables de
entrada, por lo que su resultado siempre será aleatorio.
Resultados de la simulación (Experimento): analizar el comportamiento del sistema ante los
valores generados. El objetivo es repetir n veces el experimento obteniendo n observaciones
sobre el comportamiento del sistema. Los resultados serán mas precisos cuanto mayor sea el
numero n de experimentos que llevemos a cabo.
Las principales características a tener en cuenta para la implementación o utilización de la SMC son:
El sistema debe ser descrito por 1 o más funciones de distribución de probabilidad (FP)
Las técnicas de generación de Números aleatorios o pseudo-aleatorios debe ser correcta y no
debe existir correlación entre los valores muestrales.
Establecer limites y reglas de muestreo para las FP, es decir, se debe definir que valores pueden
adoptar las variables aleatorias.
Estimación del error (¿Con que error trabajamos? ¿Cuánto error podemos aceptar para que una
corrida sea válida?)
Ejemplo 1: Simulación de Montecarlo Pura: se tiene la siguiente distribución de probabilidades para una
demanda aleatoria (diaria) y queremos ver que sucede con el promedio de la demanda en varias
iteraciones:
Generando los valores aleatorios vamos a ver como se obtiene el valor de la demanda para cada día:
La compañía ha identificado dos modelos de maquinas que se ajustan a las necesidades actuales de
producción de impermeable de color negro y de color amarillo. La primera alternativa es arrendar la
maquina TX-1. Esta maquina tiene una capacidad de producción de 32.000 metros al mes, y su costo de
leasing es de 1.950.000/mes.
La segunda alternativa es arrendar la maquina TX-2. Esta maquina tiene un costo de leasing mas bajo
1.650.000. Su capacidad de producción es mayor (5.000 metros más que la TX-1).
Color amarillo: mínimo 12.000 metros, máximo 21.000 metros, y valor probable 18.000 metro
Color negro: entre 17.000 y 23.000 metros.
Adicionalmente, la compañía estima que el precio de venta por metro de impermeable amarillo es de
2.500 y el precio de venta por metro de impermeable negro es de 2.300.
Los costos unitarios asociados con la producción en cada maquina se presentan a continuación:
Resultados obtenidos